MODELO NEURAL PARA PREDIZER CHANCE DE INFECÇÃO PELO SARS-COV-2

Objetivo: Determinar um modelo neural capaz de predizer a probabilidade de infecção pelo SARS-CoV-2 a partir dos sintomas mais comuns da COVID-19. Métodos: Neste estudo considerou-se dados do inquérito COVID-19 SES/UFMA. A base de dados consiste de 3156 indivíduos sintomáticos e 41 variáveis relacionadas às características sociodemográficas e clinicas dos entrevistados. O modelo neural teve como variáveis de entrada os sintomas de COVID autorreferidos pelos entrevistados, sendo a saída o resultado do teste sorológico realizado na residência do entrevistado. Diversas redes neurais artificiais (RNA’s) do tipo feedforward com uma camada de entrada, uma oculta e outra camada de saída foram implementadas. A amostra de estudo foi dividida em diferentes conjuntos de treino e teste para aprendizado da RNA. Para treinamento da rede foi usado o algoritmo de retropropagação (backpropagation). O desempenho da RNA foi avaliado por meio de medidas estatísticas e acurácia de classificação global. Utilizamos o RStudio e o R para implementar a rede neural artificial (RNA). Resultados: A RNA contendo como entrada os sintomas: dor de garganta, tosse, febre, calafrios, dificuldade respiratória, alteração no olfato, alteração no paladar, diarreia, fadiga, mialgia, náuseas, coriza, palpitação e dor abdominal apresentou 74% de Acurácia, 81.8% de Sensibilidade e 70.7% de Especificidade para predição de COVID-19. Conclusões: O Modelo Neural proposto apresentou boa acurácia, sensibilidade e especificidade dentre os demais modelos testados para predição de SARS-COV-2. Palavras-chave: Modelo Neural; COVID-19; R; Predição; Redes Neurais Artificiais;